微軟研究人員發現AI模型和智慧體無法處理長時間執行的任務

微軟研究人員進行的一項新研究表明，當前的大語言模型（LLM）在執行多步驟工作流時會產生嚴重錯誤，即使是前沿模型在20次互動中平均丟失25%的文件內容。研究提出了DELEGATE-52基準測試，覆蓋52個專業領域，發現只有Python程式設計領域達到“就緒”閾值。使用工具以智慧體方式執行模型反而導致效能更差。